1.一种基于双向跨跃反馈循环结构声纳图像识别方法，包括以下步骤：(1)采集若干水下声纳图像数据，将部分图像数据进行分类标注获得训练集，剩余图像数据作为测试集；

(2)对图像数据进行预处理获得增强图像数据；

(3)选取EffcientNet神经网络模型的前8个阶段作为主干特征提取网络；将预处理后的训练集图像数据作为主干特征提取网络输入，提取后5个阶段的特征图输出Ah，h＝4、5、

6、7、8；

(4)将输出的特征图Ah作为加强特征提取网络的输入，最终输出有效特征图所述的加强特征提取网络为双向跨越反馈循环结构，具体计算过程为：

(4.1)令

其中，σ*σConv表示大小为σ*σ的卷积；所述的f对应主干特征提取网络中阶段，f取5、6或7，当f取5、6、7中任一数值，h取相同的值；γ1为Ah的权重、γ2为 的权重；所述为特征图 通过shortcut跨越操作得到特征图；所述的 为主干特征提取网络中同一阶段输出的 值与 叠加形成特征图， 在第一次循环时取0；具体公式为：

其中，τ1为 的权重；τ2为 的权重； 为特征 的进行上采样操作得到特征图； 为下一阶段对应的

(4.2)获取有效特征图 具体公式为：

其中，β1为 的权重、β2为 的权重；α3为 的权重、α1为 的权重、α2为 的权重；μ3为 的权重、μ1为 的权重、μ2为 的权重、μ4为 的权重； 为 的权重、 为 的权重、 为 的权重；θ1为 的权重、θ2为 的权重、θ3为 的权重； 为 进行上采样操作获得特征图； 为 通过shortcut跨越操作获得特征图；

为 进行下采样操作获得特征图； 为 通过shortcut跨越操作获得特征图； 为 进行下采样后特征图； 为为 通过shortcut跨越操作获得特征图； 为 通过shortcut跨越操作获得特征图；

为 进行下采样操作获得特征图； 为 进行下采样后特征图；

为 通过shortcut跨越操作获得特征图；

(5)将提取到的有效特征图 输入集成学习网络获取分类结果；所述的集成学习网络包括一级分类器、二级分类器，所述的一级分类器选取Logistic回归算法，二级分类器选取softmax回归算法；具体的，将有效特征图 输入m个一级分类器，将每个一级分类器获得的概率特征进行融合后输入二级分类器，获得分类结果及softmax回归算法的损失值；

(6)循环步骤(4)和步骤(5)，每循环10次计算一次平均损失值，将该平均损失值与上一次获取的平均损失值进行比较，若两者之差小于0.01，则停止循环；将测试集的图像数据依次输入主干特征提取网络、加强特征提取网络和集成学习网络获取分类结果。

2.根据权利要求1所述的基于双向跨跃反馈循环结构声纳图像识别方法，其特征在于，步骤(2)中预处理包括：将图像裁剪为尺寸统一为224*224*3的目标区域图像并采用阈值分割方法，对图像进行二值化处理后；采用水平翻转、饱和度抖动、对比度抖动、锐度抖动、高斯噪声以及椒盐噪声对图像进行数据增强。

3.根据权利要求1所述的基于双向跨跃反馈循环结构声纳图像识别方法，其特征在于，所述主干特征提取网络的8个阶段为：第一阶段：对输入的图像按顺序进行卷积、批量归一化后进行Swish激活操作；第二阶段：对第一阶段输出的特征图进行一次移动翻转瓶颈卷积；第三阶段：对第二阶段输出的特征图进行两次移动翻转瓶颈卷积；第四阶段：对第三阶段输出的特征图进行两次移动翻转瓶颈卷积；第五阶段：对第四阶段输出的特征图进行三次移动翻转瓶颈卷积；第六阶段：对第五阶段输出的的特征图进行三次移动翻转瓶颈卷积；第七阶段：对第六阶段输出的特征图进行四次移动翻转瓶颈卷积；第八阶段：对第七阶段输出的特征图进行一次移动翻转瓶颈卷积。

4.根据权利要求1所述的基于双向跨跃反馈循环结构声纳图像识别方法，其特征在于，步骤(5)中softmax回归算法的损失函数为：其中，L表示损失值；N表示总样本个数；yn，l表示第n个样本预测为第l个标签；pn，l表示第n个样本预测为第l个标签。

5.根据权利要求1所述的基于双向跨跃反馈循环结构声纳图像识别方法，其特征在于，步骤(5)中的第二分类器输出计算方法如下：其中， 是多分类问题的某一分类的预测结果，C为所分类个数，且

6.根据权利要求1所述的基于双向跨跃反馈循环结构声纳图像识别方法，其特征在于，步骤(5)中的第一分类器获得的概率特征的公式如下：T

f(x)＝wx+c

T

式中，y(x)为样本的概率特征；f(x)是输入样本x的线性模型；w 和c为线性模型f(x)的系数。

7.一种基于双向跨跃反馈循环结构声纳图像识别系统，其特征在于，包括：数据采集模块，用于采集若干水下声纳图像数据，将部分图像数据进行分类标注获得训练集，剩余图像数据作为测试集；

图像预处理模块，用于对图像数据进行预处理获得增强图像数据；

主干特征提取网络模块，用于选取EffcientNet神经网络模型的前8个阶段作为主干特征提取网络；将预处理后的训练集图像数据作为主干特征提取网络输入，提取后5个阶段的特征图输出Ah，h＝4、5、6、7、8；

加强特征提取网络模块，用于将输出的特征图Ah作为加强特征提取网络的输入，最终输出有效特征图 所述的加强特征提取网络为双向跨越反馈循环结构，具体计算过程为：具体计算过程为：令

其中，σ*σConv表示大小为σ*σ的卷积；所述的f对应主干特征提取网络中阶段，f取5、6或7，当f取5、6、7中任一数值，h取相同的值；γ1为Ah的权重、γ2为 的权重；所述为特征图 通过shortcut跨越操作得到特征图；所述的 为主干特征提取网络中同一阶段输出的 值与 叠加形成特征图， 在第一次循环时取0；具体公式为：

其中，τ1为 的权重；τ2为 的权重； 为特征 的进行上采样操作得到特征图； 为下一阶段对应的

获取有效特征图 具体公式为：

其中，β1为 的权重、β2为 的权重；α3为 的权重、α1为 的权重、α2为 的权重；μ3为 的权重、μ1为 的权重、μ2为 的权重、μ4为 的权重； 为 的权重、 为 的权重、 为 的权重；θ1为 的权重、θ2为 的权重、θ3为 的权重； 为 进行上采样操作获得特征图； 为 通过shortcut跨越操作获得特征图；

为 进行下采样操作获得特征图； 为 通过shortcut跨越操作获得特征图； 为 进行下采样后特征图； 为 通过shortcut跨越操作获得特征图； 为 通过shortcut跨越操作获得特征图； 为进行下采样操作获得特征图； 为 进行下采样后特征图； 为通过shortcut跨越操作获得特征图；

集成学习网络：用于将提取到的有效特征图 输入集成学习网络获取分类结果；所述的集成学习网络包括一级分类器、二级分类器，所述的一级分类器选取Logistic回归算法，二级分类器选取softmax回归算法；具体的，将有效特征图 输入m个一级分类器，将每个一级分类器获得的概率特征进行融合后输入二级分类器，获得分类结果及softmax回归算法的损失值；

迭代循环模块，用于循环加强特征提取网络模块和集成学习网络，每循环10次计算一次平均损失值，将该平均损失值与上一次获取的平均损失值的值进行比较，若两者之差小于0.01，则停止循环；将测试集的图像数据依次输入主干特征提取网络、加强特征提取网络和集成学习网络获取分类结果。

8.根据权利要求7所述的基于双向跨跃反馈循环结构声纳图像识别系统，其特征在于，集成学习网络中softmax回归算法的损失函数为：其中，L表示损失值；N表示总样本个数；yn，l表示第n个样本预测为第l个标签；pn，l表示第n个样本预测为第l个标签。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的方法。

10.一种调试设备，其特征在于，存储器、处理器及在所述存储器上存储并可运行的程序，所述程序被处理器执行时实现如权利要求1至6中任一项所述方法的步骤。